LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 2 : Single Exponential Smoothing
Tanggal Tandatangan
Nama Penilai Nilai
Koreksi Asisten Dosen
Faisal Ardiansyah
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi
Halaman sampul.......................................................................................................i
Daftar Isi..................................................................................................................ii
Daftar Tabel............................................................................................................iii
Daftar Gambar........................................................................................................iii
1 Pendahuluan.....................................................................................................1
1.1 Exponential Smoothing.............................................................................1
1.1.1 Single Exponential Smoothing..........................................................1
2 Deskripsi Kerja................................................................................................2
2.1 Studi Kasus................................................................................................2
2.2 Langkah Kerja...........................................................................................3
2.2.1 Langkah Kerja....................................................................................3
2.2.2 Menghitung SES Cara Kedua............................................................6
3 Pembahasan......................................................................................................8
4 Penutup..........................................................................................................15
4.1 Kesimpulan..............................................................................................15
5 Daftar Pustaka................................................................................................16
ii
Daftar Tabel
Daftar Gambar
iii
1 Pendahuluan
1
2 Deskripsi Kerja
September 2019.
2
2.2 Langkah Kerja
Praktikan akan menjawab studi kasus di atas menggunakan software
Rstudio. Berikut adalah langkah kerjanya :
2.2.1 Langkah Kerja
3
4. Entry data di Rstudio csv dengan sintaks: read.csv (“alamat file dalam
folder penyimpanan”) dan berikan nama obyeknya inflasi.
inflasi=read.csv("D:/kuliah dong aku/semester 5/praktikum
smt 5/prak ARW/modul 3/inflasi2.csv", sep = ";")
4
10. Menampilkan nilai “fitted value”.
sesb.inflasi1$fitted
sesb.inflasi2$fitted
sesb.inflasi3$fitted
11. Kemudian hitung nilai Sum Square Error (SSE), Mean Square Error
(MSE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage
Error (MAPE).
##menghitung SSE, MSE, RMSE, MAPE
sse2=sesb.inflasi$SSE #sum of square error
sse2
mse2=sesb.inflasi$SSE/NROW((sesb.inflasi2$fitted))
mse2
rmse2 = sqrt (mse1)
mape2 = mean(abs((inflasi.ts-sesb.inflasi2$fitted[,1])/
inflasi.ts), na.rm = TRUE)*100
mape2
12. Lakukan peramalan untuk 5 periode ke depan beri nama obyek pred.sesb.
pred.sesb1=predict(sesb.inflasi1, 5)
5
pred.sesb1
pred.sesb2=predict(sesb.inflasi2, 5)
pred.sesb2
pred.sesb3=predict(sesb.inflasi3, 5)
pred.sesb3
13. Menggambarkan plot data aktual, data fitted value, dan hasil peramalan
dengan.
plot(inflasi.ts, main="Inflasi 2014 - 2019" , lwd=2,
col="blue", xlim= c(2014,2020), type="o", pch=15)
limitDate=end(inflasi.ts)[1]+(end(inflasi.ts)[2]-1)/
frequency(inflasi.ts)
limitDate
abline(v=limitDate,lty=4)
lines(sesb.inflasi$fitted[,1],lwd=2, col="red", type="o",
pch=12)
lines(pred.sesb,col="green", type="o", pch=10) legend(
bottomleft", legend = c("Data Aktual", "Fitted
Value","Peramalan"), col = c("blue","red", "green"
), lty = 1, cex = 0.6, inset = 0.02)
2. Memanggil package.
library(forecast)
6
5. Tampilkan nilai “fitted value”.
modelfitted= ses.inflasi$fitted
fitted buat forcast
modelfitted
6. Menggambarkan plot data aktual, data fitted value, dan hasil peramalan
dengan.
plot(ses.inflasi, col = "blue")
lines(ses.inflasi$fitted, col="red")
legend("bottomleft", legend = c("Data Aktual", "Fitted
Value"),
col = c("blue","red" ), lty = 1, cex = 0.8, inset = 0.02)
7
3 Pembahasan
Gambar 3.4 Output Data Inflasi Indonesia Sep 2014 – Sep 2019
8
Gambar 3.6 Output Data Runtun Waktu
9
Output di atas adalah pemodelan single exponential smoothing dengan
nilai alpha. Untuk α = 0.3 mendapatkan koefisien 0,032844, untuk α = 0.5
mendapatkan koefisien 0,0337653, dan untuk α = 0.8 mendapatkan koefisien
0,0340276. Jadi semakin besar nilai α maka semakin besar nilai koefisien.
Selanjutnya praktikan akan menentukan nilai prediksi.
10
0.06495937
May 2015 0.06642969
0.06642969
Jun 2015 0.06896484
0.06896484
: : :
Aug 2019 0.03236151
0.03236151
Sep 2019 0.03363076
0.03363076
Nilai prediksi pada tabel diatas dapat menjadi parameter atau tolak ukur
untuk seberapa akurat prediksi yang kita lakukan terhadap data asli. Selanjutnya
praktikan akan melakukan forcasting 5 periode kedepan.
11
Gambar 3. 2 Output Forecast untuk α = 0.8
Dari output forecast di atas dapat diketahui bahwa peramalan bulan
Oktober 2019. Untuk α = 0.3 didapatkan nilai sebesar 0,03284417, yang berarti
bahwa inflasi Indonesia akan akan menurun pada bulan Oktober 2019 mengalami
perubahan sebesar 0,001055 dari bulan September 2019. Untuk α = 0.5
didapatkan nilai sebesar 0,0337653, yang berarti bahwa inflasi Indonesia akan
akan menurun pada bulan Oktober 2019 mengalami perubahan sebesar
0,00013462 dari bulan September 2019. Untuk α = 0.8 didapatkan nilai sebesar
0,0340286 , yang berarti bahwa inflasi Indonesia akan akan naik pada bulan
Oktober 2019 mengalami perubahan sebesar 0,0001276 dari bulan September
2019. Selanjutnya praktikan akan menghitung nila, SSE, MSE, dan MAPE.
Dari hasil output di atas dapat diketahui nilai SSE, MSE, dan MAPE
terkecil ada pada α = 0.9, nilai SSE-nya sebesar 0.003693791, nilai MSE-nya
sebesar 6.156318e-05, dan nilai MAPE-nya sebesar 8.963501.
Selanjutnya praktikan akan membuat grafik menggunakan α = 0.8.
12
Gambar 3. 3 Plot Data Asli dan Prediksi SES untuk α = 0.8
13
Gambar 3. 4 Hasil Peramalan dengan SES
14
Dari hasil output di atas dapat diketahui nilai SSE, MSE, dan MAPE
terkecil ada pada α = 0.9, nilai MSE-nya sebesar 3.33196e-05, dan nilai MAPE-nya
sebesar 8,853585.
Selanjutnya praktikan akan membuat grafik menggunakan α = 0.9.
Gambar 3. 7 Plot Data Asli, Prediksi, dana Ramalan metode SES menggunakan
packages forcast
15
4 Penutup
4.1 Kesimpulan
16
5 Daftar Pustaka
17